CN118135348A - 目标模型的训练方法、目标检测方法及装置 - Google Patents

Abstract

本公开提供了目标模型的训练方法、目标检测方法及装置，涉及人工智能技术领域，尤其涉及自动驾驶、计算机视觉技术领域。该训练方法包括：利用第一模型对第一样本图像和样本点云数据进行处理，得到第一图像特征和第一三维检测结果；利用第二模型对第二样本图像进行处理，得到第二图像特征和第二检测结果，第二检测结果包括与样本对象对应的第一二维检测结果和第二三维检测结果；根据第一图像特征和第二图像特征，得到特征蒸馏损失；根据第一三维检测结果、第二三维检测结果、第一二维检测结果和与第二样本图像对应的二维样本标签，得到第一结果蒸馏损失；基于特征蒸馏损失和第一结果蒸馏损失，调整第二模型的初始模型参数，得到经训练的目标模型。

Description

目标模型的训练方法、目标检测方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及自动驾驶、计算机视觉技术领域，具体涉及一种目标模型的训练方法、目标检测方法、装置、存储介质和程序产品。

背景技术

随着人工智能技术在自动驾驶领域的深度应用，复杂多变的应用场景对自动驾驶车辆的感知能力的需求越来越高。单模态的目标检测模型的泛化能力较差，难以应对规模庞大、动态多变的城市道路环境。多模态的目标检测模型虽然泛化能力较强，但是由于车载硬件资源的限制，较难直接应用于自动驾驶车辆。

发明内容

本公开提供了一种目标模型的训练方法、目标检测方法、装置、存储介质和程序产品。

根据本公开的一方面，提供了一种目标模型的训练方法，包括：利用第一模型对第一样本图像和样本点云数据进行处理，得到第一图像特征和第一三维检测结果，其中，第一样本图像是利用图像采集设备对样本对象进行多个视角采集得到的，样本点云数据是利用激光雷达对样本对象进行采集得到的；利用第二模型对第二样本图像进行处理，得到第二图像特征和第二检测结果，其中，第二样本图像是利用图像采集设备对样本对象进行单一视角采集得到的，第二检测结果包括与样本对象对应的第一二维检测结果和第二三维检测结果；根据第一图像特征和第二图像特征，得到特征蒸馏损失；根据第一三维检测结果、第二三维检测结果、第一二维检测结果和与第二样本图像对应的二维样本标签，得到第一结果蒸馏损失；基于特征蒸馏损失和第一结果蒸馏损失，调整第二模型的初始模型参数，得到经训练的目标模型。

根据本公开的另一方面，提供了一种目标检测方法，包括：获取待检测图像，其中，待检测图像是利用图像采集设备对目标对象进行单一视角采集得到的；以及利用目标模型对待检测图像进行处理，得到目标对象的二维检测结果和三维检测结果，其中，目标模型是利用前文描述的方法训练得到的第二模型。

根据本公开的另一方面，提供了一种目标模型的训练装置，包括：第一处理模块、第二处理模块、特征蒸馏损失计算模块、第一结果蒸馏损失计算模块和第一调整模块。第一处理模块，用于利用第一模型对第一样本图像和样本点云数据进行处理，得到第一图像特征和第一三维检测结果，其中，第一样本图像是利用图像采集设备对样本对象进行多个视角采集得到的，样本点云数据是利用激光雷达对样本对象进行采集得到的。第二处理模块，用于利用第二模型对第二样本图像进行处理，得到第二图像特征和第二检测结果，其中，第二样本图像是利用图像采集设备对样本对象进行单一视角采集得到的，第二检测结果包括与样本对象对应的第一二维检测结果和第二三维检测结果。特征蒸馏损失计算模块，用于根据第一图像特征和第二图像特征，得到特征蒸馏损失。第一结果蒸馏损失计算模块，用于根据第一三维检测结果、第二三维检测结果、第一二维检测结果和与第二样本图像对应的二维样本标签，得到第一结果蒸馏损失。第一调整模块，用于基于特征蒸馏损失和第一结果蒸馏损失，调整第二模型的初始模型参数，得到经训练的目标模型。

根据本公开的另一方面，提供了一种目标检测装置，包括：获取模块和检测模块。获取模块，用于获取待检测图像，其中，待检测图像是利用图像采集设备对目标对象进行单一视角采集得到的。检测模块，用于利用目标模型对待检测图像进行处理，得到目标对象的二维检测结果和三维检测结果，其中，目标模型是利用前文描述的训练装置训练得到的第二模型。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如上描述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行如上描述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如上描述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用目标模型的训练方法、目标检测方法及装置的示例性***架构；

图2示意性示出了根据本公开实施例的目标模型的训练方法的流程图；

图3示意性示出了根据本公开实施例的基于知识蒸馏利用第一模型训练第二模型的示意图；

图4示意性示出了根据本公开另一实施例的基于知识蒸馏利用第一模型训练第二模型的示意图；

图5示意性示出了根据本公开实施例的目标检测方法的流程图；

图6示意性示出了根据本公开实施例的目标模型的训练装置的框图；

图7示意性示出了根据本公开实施例的目标检测装置的框图；以及

图8示意性示出了根据本公开实施例的适于实现目标模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

利用教师模型监督训练学生模型，以使得学生模型能够通过知识蒸馏习到教师模型的检测能力，训练好的学生模型对计算资源的需求较低，可以直接应用于计算资源有限的车载硬件单元中。

但是，在相关技术的知识蒸馏过程中，教师模型与学生模型的模型结构一般是相同的，这种同构的模型限制了大模型的检测能力，使得大模型较难为学生模型提高更高质量的软目标，影响了学生模型的学习效果。

此外，教师模型与学生模型通常输入的数据是同一模态的，且学生模型一般是单任务模型，较难满足自动驾驶领域中对不同传感器的跨模态信息互补的需求。

有鉴于此，本公开实施例提供了一种目标模型的训练方法，利用多模态输入的第一模型(教师模型)输出的图像特征和三维检测结果，将第一模型输出的三维检测结果作为半监督伪标签，训练单模态输入的多任务的第二模型(学生模型)。基于图像特征的特征蒸馏，提高了第二模型的二维检测能力。并基于三维检测结果的结果蒸馏，提高了第二模型的三维检测能力，使得经训练的目标模型能够应用于计算资源有限的硬件环境中，且兼具较高的二维检测能力和三维检测能力。

图1示意性示出了根据本公开实施例的可以应用目标模型的训练方法、目标检测方法及装置的示例性***架构。

需要注意的是，图1所示仅为可以应用本公开实施例的***架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。例如，在另一实施例中，可以应用目标模型的训练方法及装置的示例性***架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的目标模型的训练方法及装置。

如图1所示，根据该实施例的***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的目标模型的训练方法或目标检测方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的目标模型的训练装置或目标检测装置也可以设置于终端设备101、102、或103中。

或者，本公开实施例所提供的目标模型的训练方法或目标检测方法一般也可以由服务器105执行。相应地，本公开实施例所提供的目标模型的训练装置或目标检测装置一般可以设置于服务器105中。本公开实施例所提供的目标模型的训练方法或目标检测方法也可以由不同于服务器1 05且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的目标模型的训练装置或目标检测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

例如，终端设备101、102、103可以获取由图像采集设备采集到的样本对象的第一样本图像、第二样本图像以及由激光雷达采集到的样本对象的样本点云，然后将获取的第一样本图像、第二样本图像、样本点云发送给服务器105，由服务器105利用第一模型对第二模型进行训练，得到经训练的目标模型。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群利用第一模型对第二模型进行训练，并最终得到经训练的目标模型。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图2示意性示出了根据本公开实施例的目标模型的训练方法的流程图。

如图2所示，该方法200包括操作S210～S250。

在操作S210，利用第一模型对第一样本图像和样本点云数据进行处理，得到第一图像特征和第一三维检测结果。

在操作S220，利用第二模型对第二样本图像进行处理，得到第二图像特征和第二检测结果。

在操作S230，根据第一图像特征和第二图像特征，得到特征蒸馏损失。

在操作S240，根据第一三维检测结果、第二三维检测结果、第一二维检测结果和与第二样本图像对应的二维样本标签，得到第一结果蒸馏损失。

在操作S250，基于特征蒸馏损失和第一结果蒸馏损失，调整第二模型的初始模型参数，得到经训练的目标模型。

根据本公开的实施例，第一模型可以作为教师模型，教师模型可以是多模态的三维目标检测模型。多模态的目标检测模型的输入数据可以包括第一样本图像和样本点云。第二模型可以作为学生模型，学生模型可以是多任务的目标检测模型，能够同时输出与第二样本图像对应的二维检测结果和三维检测结果。

根据本公开的实施例，样本对象可以是相对于自动驾驶车辆的静态障碍物，也可以是相对于自动驾驶车辆的动态障碍物。例如：静态障碍物可以包括路灯、路障、绿化带等。动态障碍物可以包括与自动驾驶车辆位于同一车道内或不同车道内的车辆，该车辆对于自动驾驶车辆的行驶过程可能会造成阻碍。动态障碍物还可以包括可能阻碍自动驾驶车辆行驶的行人等。

根据本公开的实施例，自动驾驶车辆上通常会在不同的位置安装图像采集设备，可以采集到道路环境中不同视角的障碍物的图像。因此，利用图像采集设备对样本对象进行多个视角采集得到的第一样本图像作为第一模型的输入数据，利用图像采集设备对样本对象进行单一视角采集得到的第二样本图像作为第二模型的输入数据，可以得到高质量的第一样本图像特征供第二模型进行蒸馏学生，提高第二模型的二维检测能力。

例如：第一样本图像可以是利用360°环视视觉传感器对障碍物车辆进行360°的多个视角采集得到的全方位的多个图像。第二样本图像可以是第一样本图像中的任一单一视角的图像。

根据本公开的实施例，样本点云数据是利用激光雷达对样本对象进行采集得到的。样本点云数据可以为第一样本图像特征补充不同深度的样本对象的特征信息，因此，利用第一模型处理包括第一样本图像和样本点云的多模态数据，可以提高第一模型的三维检测精度，以便为第二模型进行蒸馏学习提供高质量的第一三维检测结果，提高第二模型的三维检测能力。

根据本公开的实施例，第一模型的用于提取第一图像特征的骨干网络与第二模型的用于提取第二图像特征的骨干网络可以相同的，例如：均可以采用深层聚合骨干网络，DLA34(Deep Layer Aggregation，深层聚合)骨干网络，结合了残差网络(Resnet)与稠密网络(DenseNet)的稠密连接(Dense Connection)结构。

根据本公开的实施例，该训练方法是基于知识蒸馏实现的，知识蒸馏可以包括特征蒸馏和结果蒸馏。由于第一样本图像是多个视角的图像，第二样本图像是单一视角的图像，即使采用相同的特征提取骨干网络结构，得到的第一图像特征与第二图像特征的分辨率也是存在偏差的。因此，可以在第一模型的用于提取第一图像特征的骨干网络中增加一个提示层(Hint layer)和引导层(Guided layer)，在对第一模型进行训练时，可以基于损失函数，计算第一模型输出的第一三维检测结果和第一模型的三维样本标签的损失值，并基于损失值，在调整第一模型的模型参数时，同时调整引导层的模型参数。并将引导层的模型参数作为第二模型的用于提取第二图像特征的骨干网络的初始模型参数，再进行特征蒸馏。

根据本公开的实施例，可以基于第一损失函数，根据第一图像特征和第二图像特征，得到特征蒸馏损失。基于图像特征的特征蒸馏过程，可以使第二模型的用于提取第二图像特征的骨干网络学习到第一模型的用于提取第一图像特征的骨干网络的输出，以提高第二模型基于单一视角的图像进行二维检测的能力。

根据本公开的实施例，第一三维检测结果可以包括样本对象的类别、三维尺寸、位置、朝向等信息，第二三维检测结果可以包括样本对象的三维尺寸、位置、朝向等信息。第一二维检测结果可以包括样本对象的类别和二维尺寸等信息。三维尺寸可以包括样本对象的长、宽和高。二维尺寸可以包括样本对象的长和宽。相应地，二维样本标签可以包括样本对象的真实类别、真实的二维长和二维高。三维样本标签可以包括样本对象的真实长、宽和高、真实位置、真实朝向等。

相关技术中，通常利用三维样本标签与三维检测结果计算损失值，用于第二模型的训练。但是，在实际应用场景中，由于三维样本标签的数据量匮乏，无法完成对第二模型的三维检测任务的训练。因此，本公开实施例，利用第一模型输出的第一三维检测结果作为第二模型的第二三维检测结果的伪标签，对第二模型进行训练，使得第二模型可以学习到第一模型输出的第一三维检测结果，从而提高第二模型的三维检测能力，以应对复杂场景下的检测任务。

根据本公开的实施例，可以基于第二损失函数，根据第一三维检测结果、第二三维检测结果、第一二维检测结果和与第二样本图像对应的二维样本标签，得到第一结果蒸馏损失。并基于特征蒸馏损失和第一结果蒸馏损失，调整第二模型的初始模型参数，得到经训练的目标模型。经训练的目标模型即调整模型初始模型参数之后的第二模型。

需要说明的是，第一损失函数和第二损失函数可以相同，也可以不同，可以根据实际应用场景的需求确定。第一损失函数、第二损失函数例如可以包括：均差(MSE)损失函数以及交叉熵损失函数中的至少一种，本公开实施例对损失函数不作具体限定。

根据本公开的实施例，利用多模态输入的第一模型(教师模型)输出的图像特征和三维检测结果，将第一模型输出的三维检测结果作为半监督伪标签，训练单模态输入的多任务的第二模型(学生模型)。基于图像特征的特征蒸馏，提高了第二模型的二维检测能力。并基于三维检测结果的结果蒸馏，提高了第二模型的三维检测能力，使得经训练的目标模型能够应用于计算资源有限的硬件环境中，且兼具较高的二维检测能力和三维检测能力。

下面参考图3～图4，结合具体实施例对图2所示的方法做进一步说明。

图3示意性示出了根据本公开实施例的基于知识蒸馏利用第一模型训练第二模型的示意图。

如图3所示，对于实施例300，在第一模型310中，多视角的样本图像311输入第一特征提取骨干网络312，得到第一样本图像特征313。将第一样本图像特征313与点云特征314进行融合，得到多模态特征315。对多模态特征315进行检测，得到3D伪标签316(即第一三维检测结果)。

在第二模型320中，单一视角的样本图像321输入第二特征提取骨干网络322，得到第二样本图像特征323。对第二样本图像特征323分别进行二维检测和三维检测，得到2D检测结果324(即第一二维检测结果)和3D检测结果325(即第二三维检测结果)。

对第一样本图像特征313和第二样本退昂特征323进行特征蒸馏。对3D伪标签与3D检测结果进行结果蒸馏。

对于具体的目标模型的训练过程，可以结合图4进行进一步的说明。

图4示意性示出了根据本公开另一实施例的基于知识蒸馏利用第一模型训练第二模型的示意图。

如图4所示，对于实施例400，在第一模型410中，第一模型410可以包括点云特征提取模块411、第一图像特征提取骨干网络412、特征融合模块413和特征检测模块414。

利用第一模型对第一样本图像和样本点云数据进行处理，得到第一图像特征和第一三维检测结果，可以包括如下操作：利用第一模型对第一样本图像进行特征提取，得到第一图像特征；利用第一模型对样本点云数据进行特征提取，得到点云特征；基于图像设备的参数和激光雷达的参数，得到第一样本图像与样本点云数据的对应关系；根据对应关系，对第一图像特征和点云特征进行拼接，得到多模态特征；以及对多模态特征进行检测，得到第一三维检测结果。

例如：可以将第一样本图像输入第一图像特征提取骨干网络412进行特征提取，得到第一图像特征。将样本点云数据输入点云特征提取模块411进行特征提取，得到点云特征。将根据对应关系，将点云特征和第一图像特征输入特征融合模块413，对第一图像特征和点云特征进行拼接，得到多模态特征。利用特征检测模块414对多模态特征进行检测，得到第一三维检测结果4101。

如图4所示，在第二模型420中，第二模型420可以包括第二图像特征提取骨干网络421、三维检测模块422和二维检测模块423。

利用目标模型对第二样本图像进行处理，得到第二图像特征和第二检测结果，可以包括如下操作：利用目标模型对第二样本图像进行特征提取，得到第二图像特征；对第二图像特征进行二维检测，得到第一二维检测结果；以及对第二图像特征进行三维检测，得到第二三维检测结果。

例如：可以将第二样本图像输入第二图像特征提取骨干网络421，得到第二图像特征。将第二图像特征输入三维检测模块422，得到第二三维检测模块4201。将第二图像特征输入二维检测模块423，得到二维检测结果4202。

由于第一模型的第一三维检测结果是基于多个视角的第一样本图像和样本点云数据得到的，而第二模型的第二三维检测结果是基于单一视角的第二样本图像得到的。因此，在目标模型的训练过程中，第一三维检测结果的数量远大于第二三维检测结果的数量，为结果蒸馏损失的对应性计算造成了困难。

因此，可以根据图像采集设备的参数，对第一三维检测结果进行处理，得到与第一三维检测结果对应的候选标签信息；将候选标签信息与二维样本标签进行匹配，得到匹配结果；基于匹配结果，从第一三维检测结果中确定与二维样本标签相匹配的目标三维检测结果；以及根据目标三维检测结果、第二三维检测结果、第一二维检测结果和与第二样本图像对应的二维样本标签，得到第一结果蒸馏损失。

根据本公开的实施例，对于第二模型而言，由于与第二样本图像对应的仅有二维样本标签，无法对第二模型输出的第二三维检测结果进行有效监督。因此，可以基于空间坐标转换原理，根据图像采集设备的参数，将第一模型输出的第一三维检测结果投影到二维空间，得到与第一三维检测结果对应的二维数据(即候选标签信息)。

然后，将候选标签信息与二维样本标签进行匹配，得到匹配结果。可以基于匹配结果从候选标签信息中得到与二维样本标签相匹配的目标候选样本标签。由于目标候选样本标签与目标三维检测结果是一一对应的，因此，可以得到与二维样本标签相匹配的目标三维检测结果4102。

例如：可以配置匹配度阈值，将与二维样本标签的匹配度大于80％的候选标签信息确定为目标候选样本标签。

根据本公开的实施例，通过图像采集设备的参数，将第一三维检测结果转化二维的候选标签信息，经过与二维样本标签的匹配，可以筛选出与第二样本图像对应的目标三维检测结果，以目标三维检测结果作为三维伪标签，用于第二模型的三维检测任务的训练，可以降低结果蒸馏损失的计算难度，提高训练效率。

如图4所示，可以基于第一损失函数，根据第一图像特征4102和第二图像特征4203，得到特征蒸馏损失401。

根据本公开的实施例，可以基于第二损失函数，根据目标三维检测结果4102和第二三维检测结果4201，得到三维结果蒸馏损失403。可以基于第二损失函数(也可以是不同与第二损失函数的第三损失函数)，根据第一二维检测结果4202和与第二样本图像对应的二维样本标签4204，得到二维结果蒸馏损失402。可以根据三维结果蒸馏损失403和二维结果蒸馏损失402，得到第一结果蒸馏损失。

然后，基于特征蒸馏损失401、二维结果蒸馏损失402和三维结果蒸馏损失403，调整第二模型420的初始模型参数，得到经训练的目标模型。初始模型参数可以包括第二图像特征提取骨干网络421的参数、三维检测模块422的参数和二维检测模块423的参数。

根据本公开的实施例，可以基于特征蒸馏损失401、二维结果蒸馏损失402和三维结果蒸馏损失403，同时调整第二图像特征提取骨干网络421的参数、三维检测模块422的参数和二维检测模块423的参数。也可以分模块进行分布调整初始模型的参数。

例如：基于特征蒸馏损失，固定二维检测模块的初始模型参数和三维检测模块的初始模型参数；调整第二模型的用于提取第二图像特征的骨干网络的参数，得到中间模型；利用中间模型对第二样本图像进行处理，得到第三检测结果，第三检测结果包括与样本对象对应的第二二维检测结果和第三三维检测结果；根据第一三维检测结果、第三三维检测结果、第二二维检测结果和与第二样本图像对应的二维样本标签，得到第二结果蒸馏损失；以及基于第二结果蒸馏损失，调整二维检测模块和三维检测模块的初始模型参数，得到目标模型。

根据本公开的实施例，先固定二维检测模块的初始模型参数和三维检测模块的初始模型参数；调整第二模型的用于提取第二图像特征的骨干网络的参数，当特征蒸馏损失收敛或达到最大蒸馏训练次数时，可以得到中间模型。可以尽可能的降低第二模型与第一模型的输出图像特征的差异，使得第二模型学习到第一模型的具有环视的多个视角的图像特征。再基于结果蒸馏损失，调整二维检测模块和三维检测模块的初始模型参数，可以减少蒸馏训练的次数，提高训练效率。

图5示意性示出了根据本公开实施例的目标检测方法流程图。

如图5所示，该方法500可以包括操作S5 1 0～S520。

在操作S510，获取待检测图像。

在操作S520，利用目标模型对待检测图像进行处理，得到目标对象的二维检测结果和三维检测结果。

根据本公开的实施例，目标模型是利用前文描述的方法训练得到的第二模型，即兼具二维检测能力和三维检测能力的多任务目标检测模型。待检测图像是利用图像采集设备对目标对象进行单一视角采集得到的。

例如：目标模型可以加载到自动驾驶车辆上配置的硬件单元中。自动驾驶车辆可以位于直行车道内，待检测图像可以是利用自动驾驶车辆上配置的图像采集设备采集到的前方障碍物车辆的二维图像，并利用目标模型对二维图像进行处理，得到障碍物车辆当前的类别信息、朝向信息、位置信息、尺寸信息。以便自动驾驶车辆可以基于障碍物车辆当前的类别信息、朝向信息、位置信息、尺寸信息，作出合适的驾驶策略，以驱动自动驾驶车辆躲避障碍物车辆，安全行驶在车道内。

根据本公开的实施例，该目标模型可以通过对待检测的二维图像的处理，完成对目标对象的二维检测和三维检测，可以满足自动驾驶领域中对不同传感器的跨模态信息互补的需求。

图6示意性示出了根据本公开实施例的目标模型的训练装置的框图。

如图6所示，该训练装置600可以包括第一处理模块610、第二处理模块620、特征蒸馏损失计算模块630、第一结果蒸馏损失计算模块640和第一调整模块650。

第一处理模块610，用于利用第一模型对第一样本图像和样本点云数据进行处理，得到第一图像特征和第一三维检测结果，其中，第一样本图像是利用图像采集设备对样本对象进行多个视角采集得到的，样本点云数据是利用激光雷达对样本对象进行采集得到的。

第二处理模块620，用于利用第二模型对第二样本图像进行处理，得到第二图像特征和第二检测结果，其中，第二样本图像是利用图像采集设备对样本对象进行单一视角采集得到的，第二检测结果包括与样本对象对应的第一二维检测结果和第二三维检测结果。

特征蒸馏损失计算模块630，用于根据第一图像特征和第二图像特征，得到特征蒸馏损失。

第一结果蒸馏损失计算模块640，用于根据第一三维检测结果、第二三维检测结果、第一二维检测结果和与第二样本图像对应的二维样本标签，得到第一结果蒸馏损失。

第一调整模块650，用于基于特征蒸馏损失和第一结果蒸馏损失，调整第二模型的初始模型参数，得到经训练的目标模型。

根据本公开的实施例，第一结果蒸馏损失计算模块包括：第一处理子模块、匹配子模块、确定子模块和获得子模块。第一处理子模块，用于根据图像采集设备的参数，对第一三维检测结果进行处理，得到与第一三维检测结果对应的候选标签信息。匹配子模块，用于将候选标签信息与二维样本标签进行匹配，得到匹配结果。确定子模块，用于基于匹配结果，从第一三维检测结果中确定与二维样本标签相匹配的目标三维检测结果。获得子模块，用于根据目标三维检测结果、第二三维检测结果、第一二维检测结果和与第二样本图像对应的二维样本标签，得到第一结果蒸馏损失。

根据本公开的实施例，获得子模块包括：第一获得单元、第二获得单元和第三获得单元。第一获得单元，用于根据目标三维检测结果和第二三维检测结果，得到三维结果蒸馏损失。第二获得单元，用于根据第一二维检测结果和与第二样本图像对应的二维样本标签，得到二维结果蒸馏损失。第三获得单元，用于根据三维结果蒸馏损失和二维结果蒸馏损失，得到第一结果蒸馏损失。

根据本公开的实施例，第一处理模块包括：第一特征提取子模块、第二特征提取子模块、对应子模块、拼接子模块和第一检测子模块。第一特征提取子模块，用于利用第一模型对第一样本图像进行特征提取，得到第一图像特征。第二特征提取子模块，用于利用第一模型对样本点云数据进行特征提取，得到点云特征。对应子模块，用于基于图像设备的参数和激光雷达的参数，得到第一样本图像与样本点云数据的对应关系。拼接子模块，用于根据对应关系，对第一图像特征和点云特征进行拼接，得到多模态特征。第一检测子模块，用于对多模态特征进行检测，得到第一三维检测结果。

根据本公开的实施例，第二处理模块包括：第三特征提取子模块、第二检测子模块和第三检测子模块。第三特征提取子模块，用于利用目标模型对第二样本图像进行特征提取，得到第二图像特征。第二检测子模块，用于对第二图像特征进行二维检测，得到二维检测结果。第三检测子模块，用于对第二图像特征进行三维检测，得到第二三维检测结果。

根据本公开的实施例，第一模型的用于提取第一图像特征的骨干网络与第二模型的用于提取第二图像特征的骨干网络的结构相同；第二模型还包括二维检测模块和三维检测模块。上述训练装置还包括：第二调整模块、第三处理模块、第二结果蒸馏损失计算模块和第三调整模块。第二调整模块，用于基于特征蒸馏损失，固定二维检测模块的初始模型参数和三维检测模块的初始模型参数；调整第二模型的用于提取第二图像特征的骨干网络的参数，得到中间模型。第三处理模块，用于利用中间模型对第二样本图像进行处理，得到第三检测结果，第三检测结果包括与样本对象对应的第二二维检测结果和第三三维检测结果。第二结果蒸馏损失计算模块，用于根据第一三维检测结果、第三三维检测结果、第二二维检测结果和与第二样本图像对应的二维样本标签，得到第二结果蒸馏损失。第三调整模块，用于基于第二结果蒸馏损失，调整二维检测模块和三维检测模块的初始模型参数，得到目标模型。

图7示意性示出了根据本公开的实施例的目标检测装置的框图。

如图7所示，该装置700可以包括获取模块710和检测模块720。

获取模块710，用于获取待检测图像，其中，待检测图像是利用图像采集设备对目标对象进行单一视角采集得到的。

检测模块720，用于利用目标模型对待检测图像进行处理，得到目标对象的二维检测结果和三维检测结果，其中，目标模型是利用前文描述的训练装置训练得到的第二模型。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。

根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上所述的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如目标模型的训练方法、目标检测方法。例如，在一些实施例中，目标模型的训练方法、目标检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的目标模型的训练方法、目标检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标模型的训练方法、目标检测方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种目标模型的训练方法，包括：

利用第一模型对第一样本图像和样本点云数据进行处理，得到第一图像特征和第一三维检测结果，其中，所述第一样本图像是利用图像采集设备对样本对象进行多个视角采集得到的，所述样本点云数据是利用激光雷达对所述样本对象进行采集得到的；

利用第二模型对第二样本图像进行处理，得到第二图像特征和第二检测结果，其中，所述第二样本图像是利用所述图像采集设备对所述样本对象进行单一视角采集得到的，所述第二检测结果包括与所述样本对象对应的第一二维检测结果和第二三维检测结果；

根据所述第一图像特征和所述第二图像特征，得到特征蒸馏损失；

根据所述第一三维检测结果、所述第二三维检测结果、所述第一二维检测结果和与所述第二样本图像对应的二维样本标签，得到第一结果蒸馏损失；以及

基于所述特征蒸馏损失和所述第一结果蒸馏损失，调整所述第二模型的初始模型参数，得到经训练的目标模型。

2.根据权利要求1所述的方法，其中，所述根据所述第一三维检测结果、所述第二三维检测结果、所述第一二维检测结果和与所述第二样本图像对应的二维样本标签，得到第一结果蒸馏损失，包括：

根据所述图像采集设备的参数，对所述第一三维检测结果进行处理，得到与所述第一三维检测结果对应的候选标签信息；

将所述候选标签信息与所述二维样本标签进行匹配，得到匹配结果；

基于所述匹配结果，从所述第一三维检测结果中确定与所述二维样本标签相匹配的目标三维检测结果；以及

根据所述目标三维检测结果、所述第二三维检测结果、所述第一二维检测结果和与所述第二样本图像对应的二维样本标签，得到所述第一结果蒸馏损失。

3.根据权利要求2所述的方法，其中，所述根据所述目标三维检测结果、所述第二三维检测结果、所述第一二维检测结果和与所述第二样本图像对应的二维样本标签，得到所述第一结果蒸馏损失，包括：

根据所述目标三维检测结果和所述第二三维检测结果，得到三维结果蒸馏损失；

根据所述第一二维检测结果和与所述第二样本图像对应的二维样本标签，得到二维结果蒸馏损失；以及

根据所述三维结果蒸馏损失和所述二维结果蒸馏损失，得到所述第一结果蒸馏损失。

4.根据权利要求1所述的方法，其中，所述利用第一模型对第一样本图像和样本点云数据进行处理，得到第一图像特征和第一三维检测结果，包括：

利用所述第一模型对所述第一样本图像进行特征提取，得到所述第一图像特征；

利用所述第一模型对所述样本点云数据进行特征提取，得到点云特征；

基于所述图像设备的参数和所述激光雷达的参数，得到所述第一样本图像与所述样本点云数据的对应关系；

根据所述对应关系，对所述第一图像特征和所述点云特征进行拼接，得到多模态特征；以及

对所述多模态特征进行检测，得到所述第一三维检测结果。

5.根据权利要求1所述的方法，其中，所述利用目标模型对第二样本图像进行处理，得到第二图像特征和第二检测结果，包括：

利用所述目标模型对第二样本图像进行特征提取，得到所述第二图像特征；

对所述第二图像特征进行二维检测，得到所述第一二维检测结果；以及

对所述第二图像特征进行三维检测，得到所述第二三维检测结果。

6.根据权利要求1所述的方法，其中，所述第一模型的用于提取所述第一图像特征的骨干网络与所述第二模型的用于提取所述第二图像特征的骨干网络的结构相同；所述第二模型还包括二维检测模块和三维检测模块；所述方法还包括：

基于所述特征蒸馏损失，固定所述二维检测模块的初始模型参数和所述三维检测模块的初始模型参数；调整所述第二模型的用于提取第二图像特征的骨干网络的参数，得到中间模型；

利用所述中间模型对所述第二样本图像进行处理，得到第三检测结果，所述第三检测结果包括与所述样本对象对应的第二二维检测结果和第三三维检测结果；

根据所述第一三维检测结果、所述第三三维检测结果、所述第二二维检测结果和与所述第二样本图像对应的二维样本标签，得到第二结果蒸馏损失；以及

基于所述第二结果蒸馏损失，调整所述二维检测模块和三维检测模块的初始模型参数，得到所述目标模型。

7.一种目标检测方法，包括：

获取待检测图像，其中，所述待检测图像是利用图像采集设备对目标对象进行单一视角采集得到的；以及

利用目标模型对待检测图像进行处理，得到所述目标对象的二维检测结果和三维检测结果，其中，所述目标模型是利用权利要求1-6任一项所述的方法训练得到的第二模型。

8.一种目标模型的训练装置，包括：

第一处理模块，用于利用第一模型对第一样本图像和样本点云数据进行处理，得到第一图像特征和第一三维检测结果，其中，所述第一样本图像是利用图像采集设备对样本对象进行多个视角采集得到的，所述样本点云数据是利用激光雷达对所述样本对象进行采集得到的；

第二处理模块，用于利用第二模型对第二样本图像进行处理，得到第二图像特征和第二检测结果，其中，所述第二样本图像是利用所述图像采集设备对所述样本对象进行单一视角采集得到的，所述第二检测结果包括与所述样本对象对应的第一二维检测结果和第二三维检测结果；

特征蒸馏损失计算模块，用于根据所述第一图像特征和所述第二图像特征，得到特征蒸馏损失；

第一结果蒸馏损失计算模块，用于根据所述第一三维检测结果、所述第二三维检测结果、所述第一二维检测结果和与所述第二样本图像对应的二维样本标签，得到第一结果蒸馏损失；以及

第一调整模块，用于基于所述特征蒸馏损失和所述第一结果蒸馏损失，调整所述第二模型的初始模型参数，得到经训练的目标模型。

9.根据权利要求8所述的装置，其中，所述第一结果蒸馏损失计算模块包括：

第一处理子模块，用于根据所述图像采集设备的参数，对所述第一三维检测结果进行处理，得到与所述第一三维检测结果对应的候选标签信息；

匹配子模块，用于将所述候选标签信息与所述二维样本标签进行匹配，得到匹配结果；

确定子模块，用于基于所述匹配结果，从所述第一三维检测结果中确定与所述二维样本标签相匹配的目标三维检测结果；以及

获得子模块，用于根据所述目标三维检测结果、所述第二三维检测结果、所述第一二维检测结果和与所述第二样本图像对应的二维样本标签，得到所述第一结果蒸馏损失。

10.根据权利要求9所述的装置，其中，所述获得子模块包括：

第一获得单元，用于根据所述目标三维检测结果和所述第二三维检测结果，得到三维结果蒸馏损失；

第二获得单元，用于根据所述第一二维检测结果和与所述第二样本图像对应的二维样本标签，得到二维结果蒸馏损失；以及

第三获得单元，用于根据所述三维结果蒸馏损失和所述二维结果蒸馏损失，得到所述第一结果蒸馏损失。

11.根据权利要求8所述的装置，其中，所述第一处理模块包括：

第一特征提取子模块，用于利用所述第一模型对所述第一样本图像进行特征提取，得到所述第一图像特征；

第二特征提取子模块，用于利用所述第一模型对所述样本点云数据进行特征提取，得到点云特征；

对应子模块，用于基于所述图像设备的参数和所述激光雷达的参数，得到所述第一样本图像与所述样本点云数据的对应关系；

拼接子模块，用于根据所述对应关系，对所述第一图像特征和所述点云特征进行拼接，得到多模态特征；以及

第一检测子模块，用于对所述多模态特征进行检测，得到所述第一三维检测结果。

12.根据权利要求8所述的装置，其中，所述第二处理模块包括：

第三特征提取子模块，用于利用目标模型对第二样本图像进行特征提取，得到所述第二图像特征；

第二检测子模块，用于对所述第二图像特征进行二维检测，得到二维检测结果；以及

第三检测子模块，用于对所述第二图像特征进行三维检测，得到第二三维检测结果。

13.根据权利要求8所述的装置，其中，所述第一模型的用于提取所述第一图像特征的骨干网络与所述第二模型的用于提取所述第二图像特征的骨干网络的结构相同；所述第二模型还包括二维检测模块和三维检测模块；所述装置还包括：

第二调整模块，用于基于所述特征蒸馏损失，固定所述二维检测模块的初始模型参数和所述三维检测模块的初始模型参数；调整所述第二模型的用于提取第二图像特征的骨干网络的参数，得到中间模型；

第三处理模块，用于利用所述中间模型对所述第二样本图像进行处理，得到第三检测结果，所述第三检测结果包括与所述样本对象对应的第二二维检测结果和第三三维检测结果；

第二结果蒸馏损失计算模块，用于根据所述第一三维检测结果、所述第三三维检测结果、所述第二二维检测结果和与所述第二样本图像对应的二维样本标签，得到第二结果蒸馏损失；以及

第三调整模块，用于基于所述第二结果蒸馏损失，调整所述二维检测模块和三维检测模块的初始模型参数，得到所述目标模型。

14.一种目标检测装置，包括：

获取模块，用于获取待检测图像，其中，所述待检测图像是利用图像采集设备对目标对象进行单一视角采集得到的；以及

检测模块，用于利用目标模型对待检测图像进行处理，得到所述目标对象的二维检测结果和三维检测结果，其中，所述目标模型是利用权利要求8-13任一项所述的训练装置训练得到的第二模型。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。